使用分层学习与神经架构搜索的头颈部癌症危及器官分割
计算机视觉与模式识别
2020-04-21 v1
摘要
危及器官（OAR）分割是头颈部（H&N）癌症放疗中的关键步骤，放射肿瘤学家之间的不一致性以及高昂的人工成本推动了自动化方法的发展。然而，当OAR数量变得很大（例如超过40个）时，使用标准全卷积网络工作流程的领先方法面临挑战。对于此类场景，可以从手动临床OAR勾画中看到的分层方法中获得启发。这正是我们工作的目标，我们引入了分层危及器官分割（SOARS），这是一种将OAR分为锚点、中层以及小而难（S&H）类别的方法。SOARS在两个维度上进行分层。第一个维度是为每个OAR类别使用不同的处理流程。特别是，受临床实践启发，锚点OAR被用来指导中层和S&H类别。第二个维度是使用不同的网络架构来管理不同OAR之间显著的对比度、大小和解剖结构差异。我们使用可微分神经架构搜索（NAS），允许网络在2D、3D或伪3D卷积之间进行选择。在142例头颈部癌症患者、包含42个手动标注OAR的迄今为止最全面的OAR数据集上进行的广泛4折交叉验证表明，流程分层和NAS分层都显著提升了相对于最先进方法的定量性能（绝对Dice分数从69.52%提高到73.68%）。因此，SOARS为管理高度复杂的OAR分割空间提供了一种强大且原则性的方法。
引用
@article{arxiv.2004.08426,
title = {Organ at Risk Segmentation for Head and Neck Cancer using Stratified Learning and Neural Architecture Search},
author = {Dazhou Guo and Dakai Jin and Zhuotun Zhu and Tsung-Ying Ho and Adam P. Harrison and Chun-Hung Chao and Jing Xiao and Alan Yuille and Chien-Yu Lin and Le Lu},
journal= {arXiv preprint arXiv:2004.08426},
year = {2020}
}